Как кажется, основные читатели книги «Low‑Code AI» — студенты ИТ‑курсов или специалисты, желающие сменить область деятельности и освоить профессию дата‑сайентиста или аналитика данных. На фоне большого разнообразия книг по машинному обучению (ML), авторам Гвендолину Стриплингу (Gwendolyn Stripling) и Майклу Абелю (Michael Abel удалось написать компактное практическое руководство по освоению ML в стиле «Для новичков — лентяев». Или вернее сказать, для тех, кому нравится Low‑code программирование. Короче говоря, если вас интересует, с чего начать путь в ML — попробуйте начать его с этой книги.

***

Начну рецензию со ссылки на страницу книги «Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов» на сайте издательства БХВ. Перевод названия книги, на мой взгляд, не очень удачный и слишком длинный, т.к. термин Low‑code знают все, кто хоть немного связан с ИТ. Напомню, на все книги по компьютерным технологиям от издательств «БХВ Петербург», «Alist» и «Фолиант» доступен промокод SSPSOFT на скидку 25% как подарок читателям Хабра от нашего блога.

В качестве предисловия следует сказать про портрет читателя, на которого рассчитана книга. Это в первую очередь будущий (слушатель курсов) или настоящий бизнес‑пользователь ИИ‑моделей, которого еще называют гражданским дата‑сайентистом (citizen data scientist). Иногда термин citizen data scientist переводят как бизнес‑разработчик моделей. т. е. книга не пытается научить чему‑то профессиональных дата‑сайентистов (мидлов и сеньоров), которые обычно уже обладают серьезными знаниями в области статистики, программирования, машинного обучения и математического моделирования, а также часто имеют соответствующее образование и опыт работы в этой сфере.

Гражданский дата-сайентист, в свою очередь, не обязательно имеет профильное ИТ-образование или специализацию в науке о данных, но (в теории) способен использовать доступные инструменты и платформы (упомянутые в книге инструменты класса AutoML) для анализа данных и решения практических бизнес-задач. Короче говоря, для гражданских дата-сайентистов вендоры ПО в сфере ИИ делают акцент на применение упрощенных инструментов, которые позволяют быстро получить полезные инсайты даже без глубоких технических знаний. 

Дисклеймер, чтобы эту рецензию не забросали минусами

Далеко не все разоаботчики и аналитики в ИТ-отрасли в восторге от Low-code/no-code инструментариев. Считается, что созданные на их основе решения для анализа данных позволяют бизнес-пользователям и гражданским исследователям относительно быстро создавать модели и получать результаты. Однако, это будет работать только для случая, когда такой гражданский исследователь данных уже в совершенстве владеет инструментом Low-code AI.

Иначе, если без навыков владения конкретным инструментом вот сразу сесть и с нуля начать создавать ML-модель, то чаще всего получается не модель, а недоразумение. Т.к. автоматическая генерация кода часто приводит к запутанной и негибкой структуре, по которой профессиональные дата-сайентисты неохотно берутся в чем либо помогать и совсем не любят исправлять. Созданные Low-code модели могут работать непредсказуемо, а их доработка требует глубокого понимания внутренних механизмов их инструментария и рабочей логики, что зачастую оказывается невозможным из-за запутанности автоматически созданного кода.

Антагонизм между профессионалами в области машинного обучения и поставщиками low-code решений возник с тех пор, как последние стали предлагать компаниям избавляться от дорогостоящих разработчиков и дата-сайентистов, передавая выполнение задач бизнес-пользователям. Практика показала, что low-code решения имеют свою нишу и могут быть эффективны в определенных сценариях моделей с повторяющимися паттернами данных, однако качество этого продукта не может заменить совершенство анализа и точность, которые обеспечивают профессиональные специалисты data scientist.

Несколько слов по инструментарию AutoML и BigQuery ML

Сразу надо сказать, что книга сосредоточена на экосистеме Google. Для того чтобы усвоить знания и попрактиковаться по материалам книги, читателю потребуется доступ к следующим инструментам:

1. Google Colab – бесплатный сервис Jupyter Notebook для выполнения кода на Python в облаке. Используется для обработки данных, анализа и обучения моделей.

2. Vertex AI AutoML – инструмент Google Cloud для обучения моделей машинного обучения без написания кода. Позволяет автоматизировать процесс построения ML-моделей.

3. BigQuery – облачная платформа Google для анализа данных и создания ML-моделей с использованием SQL. Подходит для работы с большими объемами данных.

Хотя книга сосредоточена на экосистеме Google, авторы рекомендуют читателям изучить другие платформы, а ссылки на дополнительную документацию приведены в тексте. В частности авторы называют облачные сервисы Microsoft Azure и AWS как альтернативы Google Cloud, предлагающие аналогичные инструменты: Jupyter Notebooks, AutoML и SQL-анализ данных.

Аннотации к главам книги "Low-Code AI"

Оглавление англоязычного издания можно посмотреть на сайте O'Reilly. там же есть возможность посмотреть пробные фрагменты глав и купить книгу в электронном виде (к сожалению, только по картам иностранных банков). Русская версия книги на сайте БХВ, на ОЗОН и на других торговых площадках на момент выхода этой рецензии продается только в бумажном виде. Но дешевле всего брать книгу на сайте БХВ, там действует промокод SSPSOFT от нашего блога.

Далее давайте посмотрим на аннотации к каждой главе книги. Это не займет много вашего времени, т.к. книга довольно небольшого объема:

Глава 1. Влияние данных на принятие решений в машинном обучении

Эта глава вводит читателя в процесс создания ML-моделей и показывает, как данные становятся основой для принятия решений. Рассматриваются этапы работы с ML: от постановки бизнес-задачи и сбора данных до выбора модели и ее развертывания. Особое внимание уделяется сравнению традиционного подхода с автоматизированными ML-решениями, включая low-code/no-code инструменты. Читатели узнают, какие факторы влияют на качество моделей и почему поддержка актуальности моделей критически важна в бизнесе.

Глава 2. Первый шаг: данные

В этой главе приводятся реальные примеры использования ML в различных отраслях — розничной торговле, здравоохранении, финансах, страховании, энергетике и телекоммуникациях. Рассматриваются основные типы данных, включая структурированные и неструктурированные, а также методы их обработки. Читатели познакомятся с популярными инструментами, такими как GitHub и Google Colab, и научатся использовать Pandas для импорта, анализа и валидации данных.

Глава 3. Библиотеки и фреймворки машинного обучения

Глава посвящена обзору популярных ML-инструментов с упором на AutoML и low-code/no-code решения. Рассматриваются сервисы Google BigQuery ML, а также фреймворки, использующие SQL для машинного обучения. Подробно описаны библиотеки с открытым кодом, такие как AutoKeras, Auto-sklearn и Auto-PyTorch. Читатели узнают, какие инструменты лучше всего подходят для быстрого внедрения ML в бизнес-процессы.

Глава 4. Использование AutoML для прогнозирования продаж

Эта глава демонстрирует практическое применение AutoML для прогнозирования продаж на основе рекламных затрат. Описывается процесс работы с данными: их загрузка, анализ и визуализация с помощью Pandas, Matplotlib и Seaborn. Затем рассматривается обучение модели линейной регрессии без кодирования с помощью Vertex AI. Читатели научатся оценивать качество модели, анализировать важность признаков и использовать прогнозы для принятия бизнес-решений.

Глава 5. Использование AutoML для обнаружения мошеннических транзакций

Пример из финансовой сферы: обнаружение мошенничества с помощью AutoML. В этой главе описывается процесс подготовки данных, включая анализ аномалий и использование методов разведочного анализа. Рассматриваются ключевые метрики для оценки моделей классификации, такие как точность, полнота и F1-мера. Читатели научатся настраивать AutoML для работы с задачами бинарной классификации.

Глава 6. Использование BigQuery ML для обучения модели линейной регрессии

Глава показывает, как использовать BigQuery ML для построения модели линейной регрессии на примере прогнозирования выработки электроэнергии. Читатели познакомятся с типовыми SQL-запросами для загрузки, очистки и анализа данных. Рассматриваются методы оценки моделей, включая объяснимый искусственный интеллект (Explainable AI), а также работа с нейронными сетями в BigQuery ML.

Глава 7. Обучение пользовательских моделей ML на Python

В этой главе рассматривается построение ML-моделей с пользовательским кодом. Пример бизнес-кейса — прогнозирование оттока клиентов. Описаны методы предобработки данных в Pandas, кодирование признаков и работа с библиотеками scikit-learn и Keras. Читатели узнают, как строить модели логистической регрессии и нейронные сети, а также познакомятся с ML-пайплайнами.

Глава 8. Улучшение эффективности пользовательской модели

Глава посвящена методам оптимизации ML-моделей. Рассматриваются стратегии инжиниринга признаков, настройка гиперпараметров и регуляризация. Примеры приводятся для scikit-learn, Keras и BigQuery ML. Читатели узнают, как улучшить модели линейной регрессии и нейронных сетей, а также познакомятся с автоматической настройкой моделей в облачных сервисах.

Глава 9. Путешествие в мир искусственного интеллекта продолжается

Заключительная глава посвящена дальнейшему изучению AI и ML. Описаны работа с неструктурированными данными, обработка изображений и текста, генеративные модели и объяснимый AI. Также рассматриваются темы непрерывного обучения и оценки моделей, что важно для долгосрочного использования ML в бизнесе.

Заключение

Хотя книга "Машинное обучение с малым объемом кодирования: практическое введение в искусственный интеллект на основе проектов" посвящена инструментам, позволяющим создавать модели машинного обучения с минимальным количеством кода, это вовсе не делает ее содержание простым. Авторы подробно рассматривают процессы работы с данными, использования AutoML и BigQuery ML, но для их практического освоения потребуется освоить облачные инструменты Low-code, проявить внимательность, терпение и иметь хотя бы базовое понимание анализа данных.

Особое внимание в книге уделено экосистеме Google Cloud, в которой разворачиваются все примеры и упражнения. Чтобы избежать сложностей при прохождении материала, рекомендуется предварительно ознакомиться с сервисами Google Colab, Vertex AI и BigQuery. Без этого освоение книги может оказаться затруднительным. Однако для тех, кто готов углубиться в тему, книги "Low-Code AI" (согласитесь, удобнее использовать англоязычное название) станет полезным практическим гидом по современным технологиям автоматизированного машинного обучения.

Немного HR-рекламы от нашего блога: мы занимаемся заказной разработкой ПО и будем рады резюме специалистов, готовых работать оффлайн в Москве и Томске, а также удаленно из любой точки России. Текущие вакансии на нашей странице на hh.ru. Если вашей специальности нет в списке вакансий, не стесняйтесь прислать нам резюме — в SSP SOFT новые позиции открываются регулярно. Резюме можно направить в Telegram или на почту job@ssp-soft.com.

Успехов в изучении и практическом освоении ML-моделей!